Как сделать видео из фото и текста нейросетью: модели, промпты и цены

Есть два способа получить видео от нейросети. Первый — описать сцену текстом, и модель придумает всё с нуля. Второй — загрузить картинку, и модель её «оживит»: добавит движение, камеру, звук. Второй способ даёт гораздо больше контроля: композицию, персонажа, цвета и свет вы задаёте заранее, а нейросеть отвечает только за движение.

В этой статье — про видео из фото: какую модель выбрать, как писать промпт и как не потратить лишние кредиты. Про генерацию из одного текста есть отдельный гайд.

Какие модели доступны

Цена зависит от длительности, разрешения и звука и всегда видна на кнопке до запуска. Ролик на 10 секунд стоит вдвое дороже пятисекундного, 1080p тоже дороже, чем 720p.

Что выбрать

• Черновики и проверка идеи — MiniMax H3 Turbo: быстро и дёшево.
• Портрет, где важны мимика и эмоции, — MiniMax H3 или Kling 3.
• Сцена с физикой — вода, ткань, падающие предметы — или персонаж, который должен что-то сказать, — Gemini Omni Flash.
• Мини-история с несколькими планами — Wan 3.0.
• Короткий реалистичный клип со звуком — Veo 3.1 Fast.

Как подготовить фото

• Сразу выберите формат: для Reels и Shorts — вертикальное 9:16, для YouTube — 16:9. Kling 3 подрежет картинку под выбранный формат, а большинство других моделей берут пропорции исходного фото.
• Оставьте «воздух» вокруг объекта. Если человек упирается головой в край кадра, при движении камеры ему просто некуда деться.
• Чем чище исходник, тем стабильнее видео. Размытое или шумное фото сначала прогоните через апскейлер.
• Подойдут и сгенерированные картинки: сделайте кадр в генераторе изображений, а потом оживите — это самый дешёвый способ получить контролируемый результат.

Как писать промпт для видео из фото

Главная ошибка — заново описывать то, что уже есть на картинке. Модель и так видит девушку в красном пальто на мосту. Ей нужно другое: что должно двигаться, как и куда смотрит камера. Формула: движение субъекта + движение окружения + камера + темп.

Слова, которые помогают

• Камера: «медленный наезд», «отъезд», «облёт по кругу», «съёмка с дрона», «статичный кадр», «ручная камера».
• Темп: «slow motion», «спокойно», «динамично», «таймлапс».
• Звук — для моделей со звуком: «шум прибоя», «тихая музыка в кафе», «гул города».
• Ограничения: «лицо не меняется», «без резких движений», «фон остаётся неподвижным».

Что ещё можно сделать с фото и видео

• Говорящий аватар — загружаете портрет и аудиозапись до 30 секунд, человек на фото произносит ваш текст с живой мимикой. 70 кредитов за 10 секунд.
• Липсинк — замена речи в уже готовом видео: Sync Lipsync 2 для максимальной точности или VEED Lipsync для простых роликов с одним лицом, в разы дешевле.
• Перенос движений — человек с фото повторяет танец или движения из видео-референса (Kling 3 Motion Control, ролики от 3 до 15 секунд).
• Продолжение ролика — MiniMax H3 Turbo продолжит видео с последнего кадра: тот же герой, свет и камера.
• Видео-стили — VHS, мультфильм 70-х, 16-битный пиксель-арт, low-poly и рисованная анимация — из промпта и, по желанию, фото.

Частые ошибки

• Слишком много действий за 5 секунд — ролик превращается в хаос. Одно действие, одно движение камеры.
• Промпт пересказывает картинку вместо описания движения — модель не понимает, что именно должно двигаться.
• Горизонтальное фото для вертикального ролика — при обрезке теряется половина кадра.
• Мелкое лицо на групповом фото — мимика получается неестественной. Для оживления портретов лицо должно быть крупным.
• Генерация сразу в 1080p на дорогой модели — если движение не то, кредиты потрачены зря.

Как сэкономить кредиты

1. Доведите кадр до идеала в фоторедакторе или генераторе изображений — фото стоит в разы дешевле видео.
2. Первый прогон делайте на MiniMax H3 Turbo в 720p и на 5 секунд, чтобы проверить, правильно ли модель поняла движение.
3. Когда промпт работает, запускайте финал на нужной модели и в нужном разрешении.
4. Если ролик понравился, но нужен в 4K, дешевле сделать апскейл видео, чем генерировать сразу в высоком разрешении.

Видеогенерация занимает от минуты до нескольких минут в зависимости от модели. Готовые ролики сохраняются в истории генераций — их можно скачать или доработать позже.